信息推荐网络的骨架抽取研究

发布时间：2017-08-11 14:05

  本文关键词：信息推荐网络的骨架抽取研究

  更多相关文章： 信息骨架抽取 信息推荐 复杂网络 介数中心性

【摘要】：近年来,人们面对海量数据很难有效地分辨出哪些是自己真正需要的信息。随着信息量的不断增大,信息的利用率反而降低,这就是信息过载现象。随着大量网络信息的数字化,搜索引擎或推荐系统对人们来说已经成为至关重要的信息过滤工具。个性化推荐作为信息过滤技术可以根据用户的历史行为记录来挖掘用户的潜在兴趣。推荐系统通常面临大规模甚至超大规模数据,因此其计算复杂度相对较高甚至难以在全量数据中进行计算,而应用系统通常需要进行实时计算。因此,研究如何抽取信息推荐网络的骨架,在保持推荐精度的前提下压缩数据规模,对于真实应用的推荐系统具有重要意义。因此,本文从推荐网络的结构特征出发,分别研究网络中的节点和连边与推荐性能的相关性,并尝试抽取能够保持推荐系统性能的网络信息骨架。主要工作如下:1、从识别重要节点和连边的角度,总结了复杂网络和推荐网络的信息骨架抽取方法。阐述了推荐技术的基本理论、常见算法、评价指标和推荐网络结构的拓扑特征。从用户节点重要性的角度对比了几种基于用户节点的特征与推荐的相关性。2、提出了基于相似性子图的推荐网络信息骨架抽取算法。从推荐网络的拓扑结构出发,研究了几种网络结构特征与推荐的相关性。我们结合用户相似性和商品相似性来定义推荐网络中连边的权重,并发现权重值大的连边与推荐精度的相关性更强。三个真实数据集的实验结果表明,通过该算法抽取的信息骨架能够在top-L推荐过程中仅依赖原始网络中20%的连边就获得超过90%的推荐准确率,同时还能保持推荐的多样性。算法中相似邻居个数的选择对推荐效果也没有明显影响。此外,通过对信息骨架结构的详细分析,我们发现信息骨架能够较好的保持原始网络的拓扑结构特征。该算法抽取的信息骨架能够通过压缩数据规模,有效地在保留推荐精度的同时提高推荐系统的性能。3、提出了基于介数中心性和时间信息混合的推荐网络信息骨架抽取算法。本文通过引入介数中心性这一复杂网络的拓扑特征,研究了基于用户节点、商品节点以及连边的介数中心性与推荐的相关性,实验结果表明商品节点和连边的介数中心性越高,其与推荐的相关性越强。据此,我们进一步提出了将时间信息与这两种基于介数中心性的方法相结合的算法。在两个真实数据集的结果表明,可以通过增加混合骨架抽取方法中介数中心性的权重来提高推荐系统的准确率,或者通过增加混合骨架抽取方法中时间因素的权重来提高推荐系统的多样性。因此在信息骨架抽取的过程中,我们可以对连边的介数中心性和时间信息选取合适的权重,使推荐算法在获得较高准确率的同时,也能拥有较高的推荐多样性,提高系统的个性化程度,并且减少数据的存储空间,降低系统运行消耗的时间。
【关键词】：信息骨架抽取 信息推荐 复杂网络 介数中心性
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP393.02
【目录】：

• 摘要5-7
• ABSTRACT7-11
• 第一章 绪论11-17
• 1.1 研究工作的背景与意义11-12
• 1.2 国内外研究现状12-14
• 1.2.1 信息推荐12-13
• 1.2.2 复杂网络及其信息骨架13-14
• 1.3 本论文的主要贡献与创新14-15
• 1.4 本论文的结构安排15-17
• 第二章 相关技术基础17-28
• 2.1 网络骨架抽取技术17-20
• 2.1.1 单模网络骨架抽取17-19
• 2.1.2 推荐网络骨架抽取19-20
• 2.2 推荐系统技术基础20-27
• 2.2.1 推荐系统基本概念20
• 2.2.2 常见的推荐算法20-24
• 2.2.3 常见的评价指标24-26
• 2.2.4 常见的推荐网络拓扑结构特征26-27
• 2.3 本章小结27-28
• 第三章 基于节点重要性的推荐网络骨架抽取研究28-36
• 3.1 问题的提出与相关工作28-29
• 3.2 推荐网络中用户的重要性定义方法29-30
• 3.3 实验设计30-33
• 3.3.1 数据集选取30-31
• 3.3.2 评价指标31
• 3.3.3 实验方法及过程31-33
• 3.4 实验结果分析33-34
• 3.5 本章小结34-36
• 第四章 基于连边相关性的推荐网络骨架抽取研究36-55
• 4.1 问题的提出与相关工作36-37
• 4.2 基于连边相关性的推荐网络骨架抽取算法37-41
• 4.2.1 推荐网络信息骨架的定义37-38
• 4.2.2 对比算法38-39
• 4.2.3 基于相似性子图的骨架抽取算法39-41
• 4.3 实验设计41-43
• 4.3.1 数据集选取41
• 4.3.2 评价指标41-42
• 4.3.3 实验方法及过程42-43
• 4.4 实验结果分析43-54
• 4.4.1 信息骨架保持的推荐准确性和多样性43-47
• 4.4.2 不同的相似邻居个数对基于相似性子图算法的影响47-48
• 4.4.3 推荐网络信息骨架的结构分析48-54
• 4.5 本章小结54-55
• 第五章 基于介数中心性的推荐网络骨架抽取研究55-69
• 5.1 问题的提出与相关工作55-57
• 5.2 基于介数中心性的骨架抽取算法57-59
• 5.2.1 基于节点和连边介数中心性的算法57
• 5.2.2 基于介数中心性与时间信息混合的算法57-59
• 5.3 实验设计59-61
• 5.3.1 数据集选取59-60
• 5.3.2 评价指标60
• 5.3.3 实验方法及过程60-61
• 5.4 实验结果分析61-68
• 5.4.1 基于介数中心性算法的准确性和多样性61-65
• 5.4.2 基于介数中心性与时间信息混合算法的准确性和多样性65-68
• 5.5 本章小结68-69
• 第六章 总结与展望69-71
• 6.1 总结69-70
• 6.2 展望70-71
• 致谢71-72
• 参考文献72-77
• 攻读硕士学位期间取得的研究成果77-78

【参考文献】

中国期刊全文数据库 前2条

1 刘建国;周涛;郭强;汪秉宏;;个性化推荐系统评价方法综述[J];复杂系统与复杂性科学;2009年03期

2 刘建国;周涛;汪秉宏;;个性化推荐系统的研究进展[J];自然科学进展;2009年01期

中国博士学位论文全文数据库 前1条

1 曾伟;推荐算法与推荐网络研究[D];电子科技大学;2015年

，

本文编号：656493